Solving the Cross-Sector Generalization Gap: A Generalizable AI Framework for Detecting Known and Unseen Cyberattacks in Critical Infrastructure

Die moderne Welt wird von einem riesigen, unsichtbaren Nervensystem aus Maschinen und Netzwerken angetrieben. Von den Wasseraufbereitungsanlagen, die unsere Wasserhähne sauber halten, über die Stromnetze, die unsere Städte beleuchten, bis hin zu den Eisenbahnen, die unsere Züge bewegen, den Schiffen, die unsere Ozeane durchqueren, und den Fabriken, die unsere Waren herstellen – diese Systeme verlassen sich auf Betriebstechnologie (Operational Technology). Dies ist die spezialisierte Software und Hardware, die physische Prozesse überwacht und steuert. Jahrzehntelang haben Sicherheitsexperten jeden dieser Sektoren als eine separate Insel betrachtet. Sie entwickelten maßgeschneiderte Abwehrmechanismen für das Wasserwerk, andere für das Stromnetz und wiederum andere für die Eisenbahnen, in der Annahme, dass die einzigartige Sprache der Sensoren in einer Branche nicht von einem System verstanden werden könne, das für eine andere konzipiert wurde. Dieser Ansatz hat eine fragmentierte Landschaft geschaffen, in der die Sicherung der vernetzten Welt für jede Aufgabe ein anderes Werkzeug erfordert – eine Methode, die teuer und schwer skalierbar ist, während diese Systeme immer stärker miteinander vernetzt werden.

Ein Forschungsteam der International Islamic University Chittagong hat diese lang gehegte Annahme infrage gestellt. Sie stellten eine einfache, aber tiefgreifende Frage: Könnte ein einziges System der künstlichen Intelligenz lernen, die universellen Anzeichen eines Cyberangriffs über all diese verschiedenen Branchen hinweg zu erkennen, selbst wenn es diese spezifische Branche noch nie zuvor gesehen hat? Ihre Arbeit legt nahe, dass die Antwort „Ja“ lautet. Indem sie ein Computermodell darauf trainierten, das Verhalten der Daten statt der spezifischen Namen der Sensoren zu analysieren, schufen sie einen einheitlichen Detektor, der sowohl bekannte Angriffe als auch brandneue, bisher unbekannte Bedrohungen in fünf verschiedenen Sektoren der kritischen Infrastruktur erkennen kann. Die Ergebnisse deuten darauf hin, dass ein einziges, anpassungsfähiges System schließlich eine Flotte spezialisierter Detektoren ersetzen könnte und so einen effizienteren und verständlicheren Weg bietet, um die lebensnotwendigen Dienste zu schützen, auf die unsere Gesellschaft angewiesen ist.

Die Forscher konzentrierten sich auf fünf unterschiedliche Sektoren: Wasser- und Abwasseraufbereitung, das elektrische Stromnetz, die Eisenbahnsignalisierung, die Seefahrt und die industrielle Fertigung. In der realen Welt sprechen diese Systeme verschiedene Sprachen. Eine Wasseranlage überwacht vielleicht Druck und die Klarheit des Wassers, während ein Stromnetz Spannung und elektrische Frequenz verfolsumt. Ein Eisenbahnsystem beobachtet Bremsdruck und Zuggeschwindigkeit, und ein Schiff überwacht seine Motordrehzahl und den Ruderwinkel. Traditionell wäre eine KI, die auf Wasserdaten trainiert wurde, für ein Stromnetz nutzlos, da sie die spezifischen Zahlenwerte nicht verstehen würde. Die Forscher erkannten, dass die Namen der Sensoren zwar variieren, das Verhalten einer Maschine unter einem Angriff jedoch gemeinsame Muster aufweisen kann.

Um dies zu testen, entwickelten sie ein Framework, das die Rohdaten aus jedem Sektor in eine gemeinsame, vereinfachte Sprache übersetzt. Anstatt dem Computer die rohen Sensormesswerte zuzuführen, berechneten sie eine Reihe statistischer Zusammenfassungen für jedes Zeitfenster. Sie untersuchten, wie schnell sich die Zahlen veränderten, wie stark sie schwankten und wie weit die Werte gestreut waren. Diese Zusammenfassungen erstellten eine einzige, feste Liste von Zahlen für jeden Sektor, wodurch das spezifische Vokabular von Wasser oder Elektrizität entfernt wurde und nur noch die mathematische Form der Daten übrig blieb. Dies ermöglichte es ihnen, ein einziges Computermodell – ein Typ von Entscheidungssystem bekannt als Random Forest – gleichzeitig mit Daten aus allen fünf Sektoren zu trainieren.

Das Team unterzog dieses einzelne Modell einer strengen Testreihe, um zu prüfen, ob es wirklich generalisieren kann. Zuerst prüften sie, ob es Angriffe innerhalb des Sektors erkennen konnte, für den es trainiert wurde. Das Modell war erfolgreich und identifizierte Angriffe in Wasser-, Strom-, Schienen-, Maritim- und Industriesystemen mit Genauigkeitsraten zwischen etwa 79 und 86 Prozent. Dies bewies, dass das Modell die spezifischen Nuancen jeder Branche erlernen konnte. Doch der eigentliche Test kam, als sie versuchten, dieses Wissen zu übertragen. Sie trainierten das Modell auf vier Sektoren und baten es dann, Angriffe im fünften Sektor zu identifizieren, einem Bereich, den es zuvor noch nie gesehen hatte. Erstaunlicherweise schnitt das Modell in diesen neuen Umgebungen ebenso gut ab und erreichte eine Genauigkeit zwischen 80 und 86 Prozent. Dies demonstrierte, dass das System die zugrunde liegende Logik eines Angriffs gelernt hatte und nicht bloß die spezifischen Sensornamen einer einzelnen Branche auswendig gelernt hatte.

Die bedeutendste Erkenntnis war die Fähigkeit des Systems, Angriffe zu erkennen, mit denen es zuvor noch nie konfrontiert worden war. In der Welt der Cybersicherheit sind die gefährlichsten Bedrohungen „Zero-Day“-Angriffe, also neue und bisher unbekannte Angriffe. Die Forscher testeten ihr Modell, indem sie eine spezifische Art von heimlichem Angriff vollständig vom Trainingsdatensatz ausschlossen. Als sie diesem ungesehenen Angriff das Modell präsentierten, gelang es ihm dennoch, diesen mit hoher Konfidenz zu identifizieren, wobei eine Erkennungsrate von über 82 Prozent erreicht wurde. Dies deutet darauf hin, dass das Modell gelernt hat, das subtile, erratische Verhalten zu erkennen, das eine Cyber-Intrusion charakterisiert, unabhängig davon, ob es diesen speziellen Trick schon einmal gesehen hat.

Die Forscher adressierten auch ein kritisches betriebliches Problem: die Unterscheidung zwischen einem böswilligen Cyberangriff und einem einfachen, harmlosen Maschinendefekt. In der Vergangenheit verwechselten Sicherheitssysteme oft einen Sensor, der aufgrund von Alterung driftete, oder einen Motor, der verschliss, mit einem gezielten Angriff, was zu Fehlalarmen führte, die das Vertrauen untergruben. Ihr Framework konnte zwischen einem Cyberangriff und einem physischen Defekt mit einer Genauigkeit von fast 90 Prozent unterscheiden. Dies ist eine entscheidende Fähigkeit, da sie sicherstellt, dass die Bediener über echte Bedrohungen alarmiert werden, anstatt durch routinemäßigen Verschleiß von Geräten abgelenkt zu werden.

Schließlich stellten die Forscher sicher, dass das System keine „Black Box“ ist, die Antworten ohne Erklärung liefert. Sie analysierten, auf welche statistischen Merkmale sich das Modell am stärksten verließ, um seine Entscheidungen zu treffen. Sie fanden heraus, dass das System primär durch die Volatilität der Änderungsrate getrieben wurde – im Wesentlichen dadurch, wie wild und schnell die Daten sprangen. Dies ist intuitiv nachvollziehbar, da ein Cyberangriff oft den glatten, vorhersehbaren Fluss der Maschinendaten stört und plötzliche, erratische Spitzen verursacht. Da das Modell auf diesen klaren, verständlichen statistischen Regeln basiert, können Sicherheitsoperatoren genau sehen, warum ein Alarm ausgelöst wurde, was einen transparenten Beweispfad anstelle eines mysteriösen Labels bietet.

Die Studie hat jedoch auch ihre Grenzen. Die Daten, die zum Trainieren und Testen des Systems verwendet wurden, wurden durch Computersimulationen generiert, die die reale Physik nachahmen sollen, anstatt aus echten, operativen Netzwerken zu stammen. Obwohl die Simulationen sorgfältig gestaltet wurden, um realistische Rauschwerte und Komplexität einzubeziehen, räumen die Forscher ein, dass reale Systeme zusätzliche Ebenen der Unvorhersehbarkeit enthalten, die Simulationen nicht vollständig erfassen können. Sie merken auch an, dass ihr aktuelles System zwar eine allgemeine Erklärung für seine Entscheidungen liefert, aber noch nicht die Begründung hinter jedem einzelnen Alarm erläutert. Trotz dieser Einschränkungen bieten die Ergebnisse eine überzeugende Vision für die Zukunft der Sicherheit kritischer Infrastrukturen. Anstatt für jede neue Industrie oder jeden neuen Sensortyp eine neue, maßgeschneiderte Verteidigung zu bauen, könnte eine einzige, anpassungsfähige Intelligenz die universelle Sprache des Maschinenverhaltens lernen und so unser Wasser, unseren Strom, unseren Transport und unsere Industrie mit einem einheitlichen, transparenten und effektiven Schutzschild bewahren.